基于多任务特征选择的酸奶发酵动态拉曼光谱研究

本研究创新性地将多任务最小绝对收缩选择算子（MTLASSO）算法应用于酸奶发酵过程的拉曼光谱分析，通过联合建模发酵时间分类（准确率92.2%）与奶源鉴别（准确率70.0%）双任务，显著提升传统单任务模型性能（91.1%/69.4%）。该研究首次揭示酰胺III、芳香族化合物等关键化学组分在发酵动力学中的作用，为食品质量无损检测提供新范式。

　　

Highlight

本研究通过多任务LASSO（MTLASSO）算法解析酸奶发酵拉曼光谱数据，在引入任务权重调节机制后，模型性能与可解释性显著提升。通过构建任务间联合正则化结构，实现特征空间压缩与关键特征筛选，为理解发酵过程化学变化提供新视角。

Characterization and analysis of yogurt by Raman spectroscopy

图2展示了发酵不同时间点（0-24小时，每3小时采样）酸奶的拉曼光谱预处理前后对比。光谱前端（500 cm^-1）与后端（1800 cm^-1）噪声经小波变换有效消除，特征峰强度变化清晰反映乳酸（1080 cm^-1）与蛋白质（1650 cm^-1）的动态转化过程。

Discussion and Future Work

当前模型在跨设备光谱兼容性方面存在局限，未来将融合卷积神经网络（CNN）增强特征提取能力。建议拓展至更多奶源（如水牛奶）及菌种组合，并开发实时发酵监控系统。

Conclusion

MTLASSO模型通过双任务联合优化，准确捕捉发酵时间（92.2%）与奶源（70.0%）的分类特征，较单任务模型提升1.1%/0.6%。特征选择结果揭示酰胺III（1260 cm^-1）、类胡萝卜素（1520 cm^-1）等为关键生物标记物，为智能发酵控制提供理论依据。